Πρόβλεψη εγκατάλειψης σπουδών με ερμηνεύσιμη τεχνητή νοημοσύνη : από τη διάγνωση στη δράση
Loading...
Date
2026-01-20
Authors
Πάτση, Δήμητρα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η εγκατάλειψη σπουδών αποτελεί ένα από τα σημαντικότερα προβλήματα της σύγχρονης εκπαίδευσης, με σοβαρές κοινωνικές, οικονομικές και ατομικές επιπτώσεις. Παρά την εκτεταμένη έρευνα στον τομέα της πρόβλεψης εγκατάλειψης με τεχνικές μηχανικής μάθησης, τα περισσότερα υπάρχοντα συστήματα λειτουργούν ως "μαύρα κουτιά", εστιάζοντας αποκλειστικά στην ακρίβεια των προβλέψεων χωρίς να παρέχουν κατανοητές εξηγήσεις ή πρακτικές συστάσεις στους φοιτητές. Η παρούσα διπλωματική εργασία αναπτύσσει ένα ολοκληρωμένο σύστημα πρόβλεψης και παρέμβασης για την πρόωρη εγκατάλειψη σπουδών στην εξ αποστάσεως εκπαίδευση, με έμφαση στην Ερμηνεύσιμη Τεχνητή Νοημοσύνη (Explainable AI) και την ανθρωποκεντρική σχεδίαση. Χρησιμοποιώντας το Open University Learning Analytics Dataset (OULAD) με περισσότερους από 32.000 φοιτητές, αναπτύχθηκε ένα προγνωστικό μοντέλο XGBoost που επιτυγχάνει εξαιρετική απόδοση με AUC-ROC 97.17%, F1-Score 80.14% και Recall 83.9%, εντοπίζοντας τέσσερις στους πέντε φοιτητές που τελικά εγκαταλείπουν εντός των πρώτων οκτώ εβδομάδων του εξαμήνου. Η καινοτομία της εργασίας έγκειται στην ενσωμάτωση δύο συμπληρωματικών τεχνικών Ερμηνεύσιμης Τεχνητής Νοημοσύνης. Η ανάλυση SHAP αποκαλύπτει τους σημαντικότερους παράγοντες κινδύνου τόσο σε καθολικό όσο και σε ατομικό επίπεδο, αναδεικνύοντας τη χρονική αδράνεια ως τον κυρίαρχο προβλεπτικό παράγοντα με σημαντικότητα 8.8 φορές μεγαλύτερη από τον δεύτερο παράγοντα. Παράλληλα, η ανάλυση counterfactual explanations με τη ιβλιοθήκη DiCE παράγει εξατομικευμένα σενάρια βελτίωσης, προτείνοντας συγκεκριμένες και ρεαλιστικές αλλαγές συμπεριφοράς που μπορούν να μειώσουν τον κίνδυνο εγκατάλειψης. Το σύστημα παρήγαγε counterfactual σενάρια με ποσοστό ρεαλιστικότητας 98.7%, προσφέροντας κατά μέσο όρο τρεις εναλλακτικές διαδρομές βελτίωσης ανά φοιτητή. Το σύστημα σχεδιάστηκε με αμιγώς συμβουλευτικό χαρακτήρα, λειτουργώντας ως εργαλείο υποστήριξης αποφάσεων (Decision Support System) που παρέχει εξατομικευμένες συστάσεις και ερμηνεύσιμες ενδείξεις κινδύνου, χωρίς να λαμβάνει αυτόνομες αποφάσεις. Τα αποτελέσματα υλοποιούνται μέσω ενός διαδραστικού dashboard που απευθύνεται άμεσα στους φοιτητές, επιτρέποντάς τους να κατανοήσουν τους παράγοντες κινδύνου, να πειραματιστούν με υποθετικά σενάρια μέσω διαδραστικής ανάλυσης what-if, και να λάβουν εξατομικευμένες συστάσεις σε πραγματικό χρόνο. Η προσέγγιση αυτή αντιπροσωπεύει μια στροφή από την παραδοσιακή λογική όπου το σύστημα προβλέπει και ο καθηγητής αποφασίζει, προς μια ανθρωποκεντρική προσέγγιση όπου το σύστημα εξηγεί, ο φοιτητής κατανοεί και αυτορυθμίζεται. Η εργασία συνεισφέρει τόσο θεωρητικά, προτείνοντας ένα ολοκληρωμένο πλαίσιο που ενοποιεί πρόβλεψη, εξήγηση και συμβουλευτική καθοδήγηση, όσο και πρακτικά, παρέχοντας ένα λειτουργικό εργαλείο που συμμορφώνεται με τον Γενικό Κανονισμό Προστασίας Δεδομένων και τον Ευρωπαϊκό Κανονισμό για την Τεχνητή Νοημοσύνη. Το τελικό μήνυμα είναι ξεκάθαρο: η τεχνητή νοημοσύνη στην εκπαίδευση πρέπει να είναι ερμηνεύσιμη, δίκαιη και πρακτικά εφαρμόσιμη, λειτουργώντας ως σύμμαχος του φοιτητή στην αυτοβελτίωση και την επίτευξη των στόχων του.
Description
Keywords
Εγκατάλειψη σπουδών, Μηχανική μάθηση, Ερμηνεύσιμη τεχνητή νοημοσύνη, Σύστημα έγκαιρης προειδοποίησης